Ilis
(Кругликов Илья)
October 23, 2010, 12:31pm
6
Хочу из википедии вытащить статью про город, но получаю ошибку от википедии о неправильном названии статьи (недопустимые символы)
#!/usr/bin/perl
use WWW::Wikipedia;
my $wikientry = "Яблонец-над-Нисоу";
my $wiki = WWW::Wikipedia->new(language => 'ru');
my $entry = $wiki->search( $wikientry );
my $entry_ru = $entry->language( 'ru' );
print $entry_ru->raw();
Как превратить “Яблонец-над-Нисоу” в “%D0%AF%D0%B1%D0%BB%D0%BE%D0%BD%D0%B5%D1%86-%D0%BD%D0%B0%D0%B4-%D0%9D%D0%B8%D1%81%D0%BE%D1%83”? Мне кажется именно в этом проблема, потому что статью “Perl” нормально обрабатывает.
liosha
(liosha)
October 23, 2010, 12:57pm
7
use utf8;
и сохранить исходник в этом utf8
Ilis
(Кругликов Илья)
October 23, 2010, 1:29pm
8
Чота всё равно не работает.
#!/usr/bin/perl
use utf8;
use URI::Escape;
use WWW::Wikipedia;
# binmode STDOUT, ':utf8';
my $wikientry = "Яблонец-над-Нисоу";
my $wikientry_safe = uri_escape_utf8($wikientry)."\n";
my $wiki = WWW::Wikipedia->new(language => 'ru');
my $entry = $wiki->search( $wikientry_safe );
# print $entry->text();
# print "\n\n===\n\n";
my $entry_ru = $entry->language( 'ru' );
print $entry_ru->raw();
Вместо сырого текста статьи возвращает хтмл-страницу с ошибкой.
Исходник у меня и так в утф-8
liosha
(liosha)
October 23, 2010, 1:42pm
9
Тогда писать багрепорт на WWW:Wikipedia, а пока заурленкодить руками. Но надо понять, что именно ему не нравится
Ilis
(Кругликов Илья)
October 23, 2010, 1:51pm
10
liosha, а ты можешь проверить, так же оно ошибку выдаёт?
liosha
(liosha)
October 23, 2010, 2:19pm
11
Доберусь до дома - посмотрю
Кстати, совершенно не понял, зачем там uri_escape, да ещё и с \n. Всё должно работать без него.
Ilis
(Кругликов Илья)
October 23, 2010, 2:35pm
12
Похоже я что-то перемудрил там
Сделал тотальный рефакторинг, всё заработало…
#!/usr/bin/perl
use WWW::Wikipedia;
my $wikientry = "Яблонец-над-Нисоу";
my $wiki = WWW::Wikipedia->new( language => 'ru');
my $entry = $wiki->search( $wikientry );
print $entry->raw();
Ilis
(Кругликов Илья)
October 23, 2010, 2:49pm
13
Можно ещё глупый вопрос?
В $entry->raw(); получаем одним куском текст с переносами строк. Как этот кусок обработать построчно?
liosha
(liosha)
October 23, 2010, 2:54pm
14
split “\r\n”, $entry->raw()
Ilis
(Кругликов Илья)
October 23, 2010, 3:08pm
15
Лучше я сразу скажу что хочу получить
Я получаю сырой текст статьи, в котором есть в конце строки типа:
...
{{нет иллюстраций}}
{{cz-geo-stub}}
[[Категория:Яблонец-над-Нисоу|*]]
[[cs:Jablonec nad Nisou]]
[[de:Jablonec nad Nisou]]
[[dsb:Jablonec nad Nisou]]
[[en:Jablonec nad Nisou]]
[[eo:Jablonec nad Nisou]]
[[es:Jablonec nad Nisou]]
[[fr:Jablonec nad Nisou]]
...
Мне надо из строки по коду
[[cs:.+]]
Получить
Jablonec nad Nisou
Может регексп можно на весь текст напустить, но я пока не соображу как.
...
my $rawtext = $entry->raw()."\n";
$rawtext =~ s/[[cs:(.+)]]/\1/m;
print $rawtext;
Возвращает весь текст целиком.
После недолгого перерыва в общении с перлом все навыки выветриваются, и похоже я туплю
liosha
(liosha)
October 23, 2010, 3:18pm
16
my ($cs) = $rawtext =~ /[cs:([^[]+)]/;
Ilis
(Кругликов Илья)
October 23, 2010, 3:26pm
17
Во! Спасибо, работает!
А то я чота типа такого намалевал: $rawtext =~ s/.[[cs:(\w+)]]. /\1/s;
Разные вариации либо весь текст оставляют, либо от нужного места до конца, либо вообще всё съедается.
Ilis
(Кругликов Илья)
October 23, 2010, 4:37pm
18
Так, теперь у меня есть осм-файл с более 600 чешских городов, плюс список соответствия чешских и русских названий чуть более сотни городов, взятый из википедии:
Прага:Praha
Брно:Brno
Острава:Ostrava
Пльзень:Plzeň
Либерец:Liberec
Оломоуц:Olomouc
Усти-над-Лабем:Ústí nad Labem
Градец-Кралове:Hradec Králové
Ческе-Будеёвице:České Budějovice
Пардубице:Pardubice
Гавиржов:Havířov
Злин:Zlín
Кладно:Kladno
Мост (город):
Карвина:Karviná
Фридек-Мистек:Frýdek-Místek
Опава:Opava
Карлови-Вари:
Теплице:Teplice
Дечин:Děčín
Йиглава:Jihlava
Хомутов (город):
Пршеров:Přerov
Яблонец-над-Нисоу:Jablonec nad Nisou
Простеёв:Prostějov
Млада-Болеслав:Mladá Boleslav
Ческа-Липа:Česká Lípa
Тршебич:Třebíč
Тршинец:Třinec
Табор (город):Tábor
Абертамы:
Адамов (район Бланско):Adamov (okres Blansko)
Аш:Aš
Бенешов:Benešov
Бероун:Beroun
Брно:Brno
Всетин:Vsetín
Вишков:Vyškov
Гавиржов:Havířov
Гавличкув-Брод:Havlíčkův Brod
Глучин:Hlučín
Годонин:Hodonín
Градец-Кралове:Hradec Králové
Двур-Кралове:
Дечин:Děčín
Дивишов:Divišov
Домажлице:Domažlice
Есеник:Jeseník
Жатец:Žatec
Железна-Руда:Železná Ruda
Злин:Zlín
Зноймо:Znojmo
Йиглава:Jihlava
Йиндржихув-Градец:Jindřichův Hradec
Йичин:Jičín
Карвина:Karviná
Карловы Вары:Karlovy Vary
Кашперске-Гори:Kašperské Hory
Кинжварт:
Кладно:Kladno
Клатови:Klatovy
Колин:Kolín
Коуржим:Kouřim
Кралупи:
Крнов:Krnov
Кутна-Гора:Kutná Hora
Лазне-Богданеч:Lázně Bohdaneč
Ланшкроун:Lanškroun
Летоград:Letohrad
Либерец:Liberec
Либице:
Литомержице:Litoměřice
Литомышль:
Лоуни:Louny
Лугачовице:Luhačovice
Марианске-Лазне:Mariánské Lázně
Мельник (город):Mělník
Миловице:Milovice
Мирослав (город):Miroslav (okres Znojmo)
Млада-Болеслав:Mladá Boleslav
Мнихово-Градиште:Mnichovo Hradiště
Мост (город):
Мшено:Mšeno
Нимбурк:Nymburk
Нови-Йичин:Nový Jičín
Оломоуц:Olomouc
Опава:Opava
Острава:Ostrava
Пардубице:Pardubice
Писек:Písek (město)
Пльзень:Plzeň
Подебради:Poděbrady
Прага:Praha
Пршебуз:Přebuz
Пршибислав:Přibyslav
Пршибор:Příbor (okres Nový Jičín)
Пршибрам:Příbram
Рожмберк-над-Влтавоу:Rožmberk nad Vltavou
Раковник:Rakovník
Рокицани:Rokycany
Роуднице-над-Лабем:Roudnice nad Labem
Свитави:Svitavy
Седлец-Прчице:Sedlec-Prčice
Славков-у-Брна:Slavkov u Brna
Соколов (город):
Страконице:Strakonice
Табор (город):Tábor
Тахов:Tachov
Телч:
Теплице:Teplice
Терезин:Terezín
Трутнов:Trutnov
Тршебич:Třebíč
Тршебонь:Třeboň
Тршинец:Třinec
Усти-над-Лабем:Ústí nad Labem
Усти-над-Орлици:Ústí nad Orlicí
Франтишкови-Лазне:Františkovy Lázně
Фридек-Мистек:Frýdek-Místek
Фридлант:Frýdlant
Фульнек:Fulnek
Хеб:Cheb
Хомутов (город):
Хрудим:Chrudim
Ческа Липа:
Ческе-Будеёвице:České Budějovice
Чески-Крумлов:Český Krumlov
Чески-Тешин:Český Těšín
Шлукнов:Šluknov
Шумперк:Šumperk
Яблонец-над-Нисоу:Jablonec nad Nisou
Как теперь это всё залить в name:ru ?
liosha
(liosha)
October 23, 2010, 4:45pm
19
Что-то типа
use Geo::Parse::OSM;
my $addname = sub {
if ( ... ) {
$_[0]->{action} = 'modify';
$_[0]->{tag}->{'name:ru'} = ...;
print Geo::Parse::OSM->to_xml( $_[0] );
}
};
print "<osm>\n";
Geo::Parse::OSM->parse_file( 'file.osm', $addname );
print "</osm>\n";
Ilis
(Кругликов Илья)
October 23, 2010, 5:03pm
20
Хм… Выглядит вроде несложно
А что будет если попытаться добавить существующий тег с точно таким же значением?
Ilis
(Кругликов Илья)
October 23, 2010, 6:18pm
22
Написал вроде. Остался косяк с юникодом.
Если я не делаю binmode STDOUT, ‘:utf8’; , то получается
Если делаю, то
Без binmode нормально работают обычные принты в стдаут, но не работает
print Geo::Parse::OSM->to_xml( $_[0] );
С binmode портится что-то другое.
Что делать-то?
Консоль у меня юникодная
[ilis@altus osm_perl]$ locale
LANG=ru_RU.UTF-8
ЗЫ. И сравнение не работает если в чешском нейме есть гачеки (умляуты их).
$csname = $_[0]->{tag}->{'name'};
if ( $hash{$csname} ne '' && $_[0]->{tag}->{'name:ru'} eq '') {
liosha
(liosha)
October 23, 2010, 6:24pm
23
to_xml отдаёт уже готовый utf8, дополнительный фильтр не требуется.
Пиши его в отдельный файл.
Или если нужно именно с фильтром, то print decode( ‘utf8’, Geo::Parse::OSM->to_xml( $_[0] ) );
Ilis
(Кругликов Илья)
October 23, 2010, 6:28pm
24
liosha:
to_xml отдаёт уже готовый utf8, дополнительный фильтр не требуется.
Пиши его в отдельный файл.
Или если нужно именно с фильтром, то print decode( ‘utf8’, Geo::Parse::OSM->to_xml( $_[0] ) );
Может он его там два раза отдаёт?
И что делать со сравнением? Из сотни городов только полтора десятка отбираются.
liosha
(liosha)
October 23, 2010, 6:31pm
25
Где-то теряешь кодировку. Где именно, вслепую угадать сложно